# Компьютерное зрение и данные агроскаутинга: от снимка к проверяемой карте

**Дата исследования: 30.10.2026.** Обзор основан на самостоятельном веб-поиске и проверке первичных страниц публикаций и документации. Временная граница — указанная дата, а не обещание полноты литературы за 2026 год. Ниже различаются результаты источников и предлагаемые инженерные решения; последние не являются доказанной эффективностью конкретного продукта. Рассмотрены 15 источников. Это исследовательский материал, **не агрохимическая рекомендация**.

## 1. Главный вывод: проектировать измерение, а не «распознаватель всего»

Практически полезная система должна отвечать на ограниченные вопросы: где наблюдается растительность, какая часть относится к культуре или сорнякам, насколько достоверна идентификация, что нужно проверить на земле. Диагноз заболевания, экономическая целесообразность вмешательства и выбор препарата — другие задачи, требующие дополнительных данных и ответственности специалиста. Высокая точность классификации фотографии не доказывает ни правильность карты поля, ни безопасность обработки.

Уместна цепочка **наблюдение → измерение → гипотеза → наземная проверка → решение агронома**. На каждом переходе возможна самостоятельная ошибка: снимок устарел, маска пропустила маленький всход, класс перепутан, ортомозаика смещена, покрытие ошибочно интерпретировано как плотность. Поэтому основной продукт первого этапа — карта наблюдений и неопределённости плюс маршрут обследования, а не автоматически исполняемое предписание.

## 2. Detection и segmentation: разные единицы истины

**Детекция объектов** подходит для отдельных растений, подсчёта и поиска редких экземпляров. Прямоугольник дешевле размечать, чем контур, но он включает почву и соседние листья; при сомкнутом покрове число видимых объектов перестаёт соответствовать числу растений. **Семантическая сегментация** оценивает площадь классов «культура/сорняки/почва» и удобна для карты покрытия. **Instance segmentation** разделяет растения или листья, полезна для фенотипирования и подсчёта, но требует правил для перекрытий и фрагментов. Паноптическая постановка объединяет классы и экземпляры, однако увеличивает стоимость разметки.

PhenoBench [1] важен именно разделением задач: UAV-изображения имеют пиксельные метки культуры и сорняков, а также экземпляры листьев культуры; скрытая проверка включает известные и полностью новое поле. Это более содержательный ориентир, чем случайное разбиение кропов, но не доказательство переноса на иной регион, культуру или весь видовой состав сорняков. WeedMap [2] демонстрирует полный переход от мультиспектральной ортомозаики к карте, подчёркивая GSD, совмещение каналов и сохранение разрешения при тайлинге. Улучшение на его данных нельзя переносить на любую камеру или считать доказательством необходимости NIR в каждом проекте.

Для baseline разумно сравнить компактный детектор и сегментатор при одинаковых пространственных разбиениях, бюджете разметки и вычислений. Архитектура вторична относительно качества данных. Нужны precision/recall по видам и фазам, AP для мелких объектов, IoU/Dice по классам, ошибки подсчёта, смещение доли покрытия и локализации. Общая pixel accuracy может быть почти бессодержательной при преобладании почвы. Для карты важны также ошибка площади очагов, пропущенные очаги на гектар и точность геометрии относительно масштаба будущей операции.

## 3. Виды сорняков, фенология и схема разметки

«Сорняк» — не универсальный ботанический класс: растение может быть культурой на одном поле и падалицей на другом. Следует разделять таксон и агрономическую роль. Минимальная запись: научное название и версия справочника, культура и сорт при наличии, роль растения, поле/сезон/визит, фаза развития, видимость диагностических органов, масштаб, качество изображения, автор и уверенность определения. BBCH или иной фазовый справочник следует применять там, где он содержательно подходит конкретному таксону; число листьев можно хранить отдельно.

Всход и взрослое растение одного вида визуально различаются сильнее, чем некоторые виды между собой. Модель, обученная на цветущих экземплярах, не становится автоматически пригодной для раннего обнаружения. Крупный GSD может вообще исключать видовую идентификацию: увеличение картинки не восстанавливает отсутствующие признаки. Поэтому нужны иерархические ответы: «растительность → культура/не культура → группа → вид», с допустимым отказом на любом уровне. Классы «неизвестный вид», «неразличимо», «смешанное пятно» и ignore-области лучше принудительной ложной определённости.

Разметку следует проверять двумя специалистами на подвыборке, разбирать расхождения и оценивать согласованность отдельно для вида, фазы и границы. Необходимо сохранять исправления, исходные метки и связь с фотографиями органов растения. Для потенциально значимых редких видов нужны целевые экспедиции: простое увеличение числа снимков доминирующих сорняков не решит проблему длинного хвоста. Площадь видимого покрытия нельзя без отдельной модели объявлять биомассой или числом растений на квадратный метр.

## 4. Заболевания и confounding: симптом не равен причине

Хлороз, некроз и разреженность могут быть связаны с патогеном, дефицитом питания, засухой, переувлажнением, повреждением насекомыми или фитотоксичностью. Возможны сочетания причин. Изображение фиксирует фенотип, а не обязательно причинный механизм. Индекс NDVI также не идентифицирует возбудителя и не измеряет потребность в конкретном препарате.

Работа Mohanty et al. [3] — важная ранняя демонстрация обучения на контролируемых изображениях PlantVillage, но её нельзя читать как готовое доказательство полевой диагностики. Для продукта нужно независимо проверять перенос между фонами, камерами, сортами и условиями съёмки. В доступном просмотре полного текста произошла обрезка, поэтому конкретные широко цитируемые проценты внешнего падения здесь намеренно не воспроизводятся.

Рекомендуемая схема меток отделяет **наблюдаемый симптом**, **рабочую гипотезу** и **подтверждённый диагноз**. Последний должен иметь основание: осмотр агронома, лабораторное исследование там, где оно необходимо, дату и метод. Тестовый набор обязан включать здоровые растения в стрессовых условиях, похожие абиотические повреждения и смешанные случаи. Нельзя вычислять специфичность диагностики исключительно на чистых, заранее выбранных примерах болезней. Спектральная аномалия должна порождать задачу обследования, а не автоматическое назначение фунгицида.

## 5. Leakage: разбиение выполнять до нарезки изображений

Пространственная и временная зависимость создаёт наиболее опасную иллюзию качества. Соседние тайлы одной мозаики содержат одинаковые растения, почву, освещение и швы. Перекрывающиеся исходные кадры могут оказаться по разные стороны split. Повторные визиты к одному участку сохраняют узнаваемый фон. Общий принцип структурированной кросс-валидации изложен Roberts et al. [4]; WILDS [5] независимо показывает, что естественные сдвиги по месту и времени снижают качество даже при специальных методах устойчивого обучения.

Предлагаются четыре отдельных режима оценки:

1. **Интерполяция внутри обследуемого домена:** пространственные блоки с буфером, а не случайные пиксели.
2. **Новое поле:** leave-field-out; при близких полях дополнительно группировать хозяйства и географические кластеры.
3. **Будущий сезон:** обучение на прошлом, проверка на следующем сезоне без будущих признаков.
4. **Внешнее применение:** отдельное хозяйство/регион, другая команда съёмки и, желательно, сенсор; модель и пороги заморожены заранее.

Split назначают исходным пространственно-временным группам **до** тайлинга, аугментаций, псевдоразметки и обучения преобразований. Дубликаты проверяют по хешам и визуальному сходству. Размер буфера выбирают по перекрытию кадров и пространственной автокорреляции, а не по универсальному числу метров. Для задачи распознавания снимка и для геопайплайна отдельно описывают, использовалась ли совместная реконструкция мозаики: общий контекст не всегда запрещён, но меняет смысл теста.

Порог, калибровку и гиперпараметры выбирают на validation; внешний test открывают один раз. Доверительные интервалы следует считать по полям/визитам, а не считать миллионы коррелированных пикселей независимыми наблюдениями. Отчёт должен показывать качество худших групп, а не только среднее. «Внешняя проверка» на другом кропе той же ортомозаики внешней не является.

## 6. Uncertainty, OOD и мониторинг domain shift

Вероятность softmax — не гарантированная вероятность правильного решения. Guo et al. [6] показывают проблему некалиброванности современных сетей и пользу temperature scaling, но это не гарантия калибровки на новом климате или сенсоре. Следует различать неоднозначность наблюдения, недостаток знаний модели, неизвестные классы и технический брак. Эти причины требуют разных действий: пересъёмки, консультации, расширения датасета или остановки пайплайна.

Практический набор контроля: reliability diagrams, Brier score/ECE с описанием биннинга, class-wise calibration, кривые risk–coverage для режима отказа, чувствительность OOD-детектора при заданной частоте ложных тревог. Ансамбли, test-time augmentation, расстояния в пространстве признаков и energy scores могут быть кандидатами, но должны проверяться на реальных новых сезонах и видах. Ни один из них не следует объявлять универсальным детектором неизвестного.

Карта должна показывать отдельно оценку покрытия, неопределённость, отсутствие наблюдения и брак. Пустая ячейка — не доказательство отсутствия сорняков. Мониторинг включает распределения GSD, каналов, экспозиции, фенологии, долю отказов и выборочный экспертный контроль. Сдвиг признаков не доказывает падения качества, а отсутствие обнаруженного сдвига не гарантирует его сохранения. Автоматическое дообучение на собственных уверенных предсказаниях опасно закреплением ошибок.

## 7. Active learning: покупать разнообразную информацию

Базовая идея active learning — выбирать примеры для экспертной разметки по ожидаемой полезности, а не размечать всё подряд; систематизация дана Settles [7]. Для агроскаутинга отбор должен учитывать не только неопределённость, но и разнообразие полей, фаз, сенсоров, редкие классы и стоимость выезда. Тысяча почти одинаковых неуверенных тайлов одного пятна менее полезна, чем несколько новых условий.

Предлагаемый цикл: начальная стратифицированная разметка → baseline → отбор разнообразных и спорных участков → осмотр/разметка специалистом → контроль качества → версионирование → повторная оценка. Часть бюджета сохраняют на случайную репрезентативную выборку: иначе невозможно оценить распространённость ошибок, а редкий уверенно неверный класс останется невидимым. Эффективность сравнивают со случайным отбором при одинаковых экспертных часах и поездках, а не только числе изображений. Финальный тест не участвует в активном отборе.

## 8. SAM, DINO и VLM: ускорители, но не ботанические эксперты

SAM [8] — promptable-сегментатор, способный ускорять обводку по точкам и прямоугольникам. Маска не содержит гарантированного видового определения; на перекрытиях, мелких всходах, тенях и тонких листьях нужны ручная проверка и измерение экономии времени. Псевдомаски нельзя незаметно превращать в эталон: следует отмечать происхождение и учитывать систематические ошибки учителя.

DINOv2 [9] предоставляет самообученные визуальные признаки для переноса между задачами. Они полезны для поиска похожих случаев, кластеризации инициального корпуса, отбора разнообразия и построения малоданных baseline. В этом обзоре «DINO» относится прежде всего к DINOv2 как экстрактору признаков; это не тождественно детектору DINO или текстово-обусловленному Grounding DINO. Предобучение на RGB не решает автоматически работу с NIR и радиометрией. Сравнение frozen features, линейной головы и fine-tuning должно проводиться на одинаковом внешнем тесте.

VLM удобны как интерфейс: описать видимые признаки, запросить недостающие ракурсы, подготовить черновик отчёта и найти релевантную карточку. Однако AgroBench [10], экспертно размеченный benchmark ICCV 2025, сообщает о слабостях тонкой идентификации, причём большинство рассмотренных открытых VLM на задаче определения сорняков близки к случайному уровню. Это результат конкретного benchmark, не универсальный рейтинг всех моделей на 30.10.2026. Свободный уверенный текст нельзя принимать за калиброванное заключение.

Для VLM нужны ограниченная схема ответа, цитирование проверенного справочника, возможность «не могу определить», журнал версий модели и тесты ложных утверждений. Внешние тексты и пользовательские вложения рассматриваются как данные, не как инструкции. Ни VLM, ни связка текстового детектора с SAM не должны напрямую записывать нормы препаратов или создавать задания на опрыскивание.

## 9. Satellite–drone–ground fusion: объединять масштабы, не подменять их

Спутник даёт регулярный обзор и историю аномалий; БПЛА — детализацию структуры и очагов; наземный осмотр — диагностические органы и подтверждение. Разумная многоступенчатая система сначала выделяет зоны изменения на спутниковом ряду, затем уточняет их дроном и назначает наземные точки. При этом обследование только спутниковых аномалий создаёт verification bias: нужны контрольные точки и в «нормальных» зонах.

Ключевые препятствия — разные даты, облака и тени, смешанные пиксели, геометрическое смещение, несовпадающие полосы спектра и неодинаковая пространственная поддержка измерений. Спутниковый пиксель нельзя объявить видовой наземной меткой, а одну фотографию — репрезентативной истиной для всего пикселя. Следует хранить footprint, время и погрешность каждой записи; проводить агрегацию к физически осмысленной сетке и учитывать временной лаг.

Для первого внедрения предпочтительна late fusion: независимые признаки и оценки качества объединяются на уровне участка/даты. Она проще для аудита и работы при пропусках модальности. End-to-end fusion требует существенно большего синхронизированного корпуса. Пользу проверяют абляцией «спутник», «дрон», «земля», комбинации при равном бюджете. Если добавление спутника лишь кодирует идентичность хозяйства, выигрыш исчезнет на корректном внешнем split.

## 10. Геоданные и воспроизводимый маршрут до карты-предписания

Инструменты решают разные слои задачи. **ODM** создаёт фотограмметрические продукты: ортофото, облака точек, DSM/DTM; документация [11] содержит контрольные точки, радиометрическую обработку и COG. Красивое ортофото не гарантирует абсолютную точность: нужны независимые check points, оценка смещения и проверка совмещения дат. Ошибки ветрового движения растений и швов мозаики особенно существенны для подсчёта.

**STAC** [12] — каталог пространственно-временных assets, а не формат пикселей и не система контроля агрономического качества. **COG** [13] — организация GeoTIFF с тайлами, уровнями разрешения и доступом HTTP Range, позволяющая читать нужные части растра. **GeoPackage** [14] удобен для переносимых векторных слоёв, атрибутов и офлайн-работы. **QGIS Processing** [15] поддерживает модели обработки, пакетный запуск и историю; фиксировать нужно версии алгоритмов и параметры, а не только проект визуализации. Сочетание этих инструментов уменьшает привязку к поставщику, но само по себе не обеспечивает воспроизводимость.

Предлагаемый конвейер:

1. **Приёмка:** исходные снимки неизменяемы; контрольные суммы, права доступа, сенсор, время, полёт, культура, GSD и разрешение использования фиксируются в manifest.
2. **Геометрия и радиометрия:** ODM/эквивалент, независимые контрольные точки, маски облаков/теней/брака, параметры реконструкции; отклонённые участки не становятся «чистыми».
3. **Хранение:** COG для ортофото, вероятностей и качества; STAC Item с временем, footprint, каналами и ссылками на исходники/производные; версии датасета и модели неизменяемы.
4. **Инференс:** согласованный GSD, тайлы с контролем краёв, объединение перекрытий, подавление дубликатов; сохранение вероятностей до порогования и OOD-флагов.
5. **Карта наблюдений:** агрегация по рабочей сетке, площадь видимого покрытия, время, уверенность, основания; GeoPackage с точками наземной проверки и исключёнными зонами.
6. **Проверка агрономом:** подтверждение вида/фазы/диагноза, актуальности и экономической значимости; исправления связываются с исходными свидетельствами.
7. **Предписание только после отдельного решения:** специалист определяет допустимые мероприятия с учётом регистрации, этикетки, культуры, ограничений, погоды, оборудования и местного права. Никаких автоматически предлагаемых веществ, смесей или норм без агронома.
8. **Экспорт и аудит:** проверка CRS, единиц, геометрии, буферов запрета, минимальной рабочей зоны и формата конкретного терминала; предварительный просмотр, подпись и срок действия. GeoPackage не является универсальным исполняемым форматом техники.

Запрет должен быть техническим: до подписанного решения поля химического назначения пусты, машинный экспорт заблокирован; любое изменение геометрии, данных или нормы аннулирует согласование. Статусы `observation → reviewed → approved → exported` и неизменяемый журнал важнее предупреждения мелким шрифтом. Неопределённость и отсутствие данных не преобразуются автоматически в команду «обработать» или «не обрабатывать».

## 11. Приоритеты внедрения и границы проверенного

Первый пилот следует ограничить культурой, регионом и несколькими фазами, начать с «культура/сорняки/неизвестно» и маршрута осмотра. Критерии приёмки согласуются заранее: пропущенные очаги, ошибка площади, качество на новом поле, доля отказов, время эксперта и геопозиционная погрешность. Затем расширять виды и сезоны; экономию химикатов и влияние на урожай проверять отдельно, желательно контролируемым полевым сравнением. Метрика IoU не заменяет такой эксперимент.

**Не проверено:** локальная точность для конкретного хозяйства; воспроизводимость результатов путём запуска моделей; лицензии всех весов и изображений; актуальные регистрации агрохимикатов и совместимость терминалов. Полный текст Roberts был недоступен из-за HTTP 403; использована идентификация публикации и общая методологическая связь, без приписывания численных результатов. PDF Settles не разобран инструментом, поэтому он служит общим методологическим ориентиром, а не источником специфических сельскохозяйственных эффектов. Документация GeoPackage по плавающему адресу содержит противоречивые пометки статуса и TBD; её нельзя использовать для утверждения точной даты принятия версии 1.4. Для ODM дата выпуска отображённой версии не установлена. Обзор не доказывает, что выбранные модели — самые новые на дату отсечения.

## Источники и что именно они подтверждают

Все URL проверялись 30.10.2026; дата ниже относится к публикации/версии, если не оговорено иначе.

1. **Weyler et al., PhenoBench**, препринт 07.06.2023, v2 24.07.2024; TPAMI 2024. DOI: [10.1109/TPAMI.2024.3419548](https://doi.org/10.1109/TPAMI.2024.3419548); [проверенная страница](https://arxiv.org/abs/2306.04557). Подтверждает состав разметки и наличие скрытого теста с новым полем; не универсальную переносимость.
2. **Sa et al., WeedMap**, 31.07.2018, v2 06.09.2018. [Публикация](https://arxiv.org/abs/1808.00100), DOI: 10.48550/arXiv.1808.00100. Подтверждает UAV-мультиспектральный mapping, роль GSD, совмещения и тайлинга; результаты ограничены его экспериментом.
3. **Mohanty, Hughes, Salathé, Using Deep Learning for Image-Based Plant Disease Detection**, 2016. [Статья/DOI 10.3389/fpls.2016.01419](https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2016.01419/full). Источник постановки image-based diagnosis; веб-текст обрезан, точные внешние метрики не использованы.
4. **Roberts et al., Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure**, 2017. [DOI 10.1111/ecog.02881](https://nsojournals.onlinelibrary.wiley.com/doi/10.1111/ecog.02881). Методологический ориентир для зависимых данных; полный текст не получен, HTTP 403.
5. **Koh et al., WILDS**, ICML 18–24.07.2021, PMLR 139. [Первичный источник](https://proceedings.mlr.press/v139/koh21a.html). Подтверждает естественные distribution shifts и разрыв ID/OOD; не сельскохозяйственную эффективность конкретного метода.
6. **Guo et al., On Calibration of Modern Neural Networks**, ICML 06–11.08.2017. [Статья](https://proceedings.mlr.press/v70/guo17a.html). Подтверждает проблему калибровки и temperature scaling, но не гарантии при domain shift.
7. **Settles, Active Learning Literature Survey**, 2009, technical report. [PDF](https://burrsettles.com/pub/settles.activelearning.pdf). Базовый методологический источник active learning; PDF не удалось прочитать через web_fetch, количественные выводы не заимствованы.
8. **Kirillov et al., Segment Anything**, 05.04.2023. [Статья](https://arxiv.org/abs/2304.02643), DOI: 10.48550/arXiv.2304.02643. Подтверждает promptable segmentation и SA-1B; не распознавание видов сорняков.
9. **Oquab et al., DINOv2**, 14.04.2023, v2 02.02.2024. [Статья](https://arxiv.org/abs/2304.07193), DOI: 10.48550/arXiv.2304.07193. Подтверждает самообученные универсальные визуальные признаки; аграрный перенос требует собственной проверки.
10. **Shinoda et al., AgroBench**, ICCV, октябрь 2025, pp. 7634–7644. [Первичная страница CVF](https://openaccess.thecvf.com/content/ICCV2025/html/Shinoda_AgroBench_Vision-Language_Model_Benchmark_in_Agriculture_ICCV_2025_paper.html). Подтверждает экспертную разметку и ограничения VLM, включая слабое определение сорняков в рассмотренном тесте.
11. **OpenDroneMap documentation**, отображена версия 3.6.0, дата релиза не установлена; доступ 30.10.2026. [Документация](https://docs.opendronemap.org/). Подтверждает функции фотограмметрии, геопривязки, мультиспектральной обработки и COG; не гарантирует точность конкретной съёмки.
12. **OGC STAC Community Standard 1.1**, опубликован 14.10.2025, одобрен 09.09.2025. [OGC 25-004](https://docs.ogc.org/cs/25-004/25-004.html). Подтверждает стандартизованный пространственно-временной каталог и фиксированную версию спецификации.
13. **OGC Cloud Optimized GeoTIFF 1.0**, опубликован 14.07.2023. [OGC 21-026](https://docs.ogc.org/is/21-026/21-026.html). Подтверждает тайлы, overviews, геопривязку и HTTP Range; исправленный адрес после первоначального 404.
14. **OGC GeoPackage**, страница обозначена 1.4, copyright 2023, даты принятия TBD; доступ 30.10.2026. [Спецификация](https://www.geopackage.org/spec/). Подтверждает SQLite-контейнер, векторы, тайлы, атрибуты и офлайн-сценарии; статус конкретной редакции требует уточнения.
15. **QGIS 3.40 User Manual, Processing framework**, обновлено 16.03.2026. [Документация](https://docs.qgis.org/3.40/en/docs/user_manual/processing/index.html). Подтверждает модели, пакетную обработку, историю и скрипты. Это фиксированный справочник, не утверждение об актуальной поддерживаемой версии QGIS.